Learning Vocabularies over a Fine Quantization

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F13%3A00205807" target="_blank" >RIV/68407700:21230/13:00205807 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/s11263-012-0600-1" target="_blank" >http://dx.doi.org/10.1007/s11263-012-0600-1</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/s11263-012-0600-1" target="_blank" >10.1007/s11263-012-0600-1</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Learning Vocabularies over a Fine Quantization

Popis výsledku v původním jazyce

A novel similarity measure for bag-of-words type large scale image retrieval is presented. The similarity function is learned in an unsupervised manner, requires no extra space over the standard bag-of-words method and is more discriminative than both L2-based soft assignment and Hamming embedding. The novel similarity function achieves mean average precision that is superior to any result published in the literature on the standard Oxford 5k, Oxford 105k and Paris datasets/protocols. We study the effect of a fine quantization and very large vocabularies (up to 64 million words) and show that the performance of specific object retrieval increases with the size of the vocabulary. This observation is in contradiction with previously published methods. Wefurther demonstrate that the large vocabularies increase the speed of the tf-idf scoring step.

Název v anglickém jazyce

Learning Vocabularies over a Fine Quantization

Popis výsledku anglicky

A novel similarity measure for bag-of-words type large scale image retrieval is presented. The similarity function is learned in an unsupervised manner, requires no extra space over the standard bag-of-words method and is more discriminative than both L2-based soft assignment and Hamming embedding. The novel similarity function achieves mean average precision that is superior to any result published in the literature on the standard Oxford 5k, Oxford 105k and Paris datasets/protocols. We study the effect of a fine quantization and very large vocabularies (up to 64 million words) and show that the performance of specific object retrieval increases with the size of the vocabulary. This observation is in contradiction with previously published methods. Wefurther demonstrate that the large vocabularies increase the speed of the tf-idf scoring step.

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

JD - Využití počítačů, robotika a její aplikace

OECD FORD obor

—

Projekt

<a href="/cs/project/GAP103%2F12%2F2310" target="_blank" >GAP103/12/2310: Vyhledávání obrazů a objektu ve velkých databázích jako učitel</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

International Journal of Computer Vision

ISSN

0920-5691

e-ISSN

—

Svazek periodika

103

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

NL - Nizozemsko

Počet stran výsledku

13

Strana od-do

163-175

Kód UT WoS článku

000318413500007

EID výsledku v databázi Scopus

—